本发明大体上涉及精神保健领域，并且更具体地，涉及用于根据对心率的测量来监测压力水平的方法和系统以及相关的硬件和软件组件。
背景技术：
压力是人类面对威胁性或挑战性情况时对压力的自然人体反应。一定程度的压力是正常的，而且有利于使人们能够达到最佳表现。在引发压力的经历接下来的一段时间之后，人体应恢复到正常状态。然而，当个体受到频繁或重复的应激情境时，这种恢复正常的情况可能被抑制。长期或巨大的压力可能对人类健康、幸福、人际关系、工作以及生活的一般享受产生负面影响。
压力水平的扩大或增加与焦虑、抑郁、身心疾病、免疫抑制、精力和生产力的普遍丧失以及其他相关的健康问题有关。在工作场所，这导致缺勤和假性出席的增加。澳大利亚安全工作署估计，2008年和2009年期间与工作有关的压力成本约为每年53亿澳元。在本世纪初，美国对压力的经济影响的研究不同程度地估计了每年2000亿至3000亿美元的成本。
训练有素的保健专业人员能够识别与压力有关问题的典型症状。然而，受影响的个人往往没有察觉到过度压力的迹象，直到对心理健康和生理健康产生重大影响。此外，尽管雇主、医疗保险公司和社会可以更广泛地从对压力的早期检测和管理中获得巨大的经济和社会效益，但除了通过定期预约训练有素的保健专业人员之外，现有的使个人或企业能够管理和监测压力水平的工具极为有限。
已经开发了典型的以调查问卷为基础的自我评估方法，以帮助个人监测和管理其心理健康。例如，1967年福尔摩斯和拉赫(Holmes and Rahe)最初开发的社会再适应评价量表(SRRS)包括了43个可能导致不良健康结果的有压力的生活事件的列表。然而，福尔摩斯和拉赫压力量表只根据最近发生的重大生活事件的经历来确定个体是否受到压力。调查问卷(例如新南威尔士大学(University of New South Wales)开发的抑郁焦虑压力量表(DASS))旨在评估个人的当前情绪状态，是基于对情绪的主观评估，并且更适合区分不同的心理健康状况，但不能每日监测还没有明显向更严重状况发展的压力水平之间的差异。
因此，期望能开发用于监测和管理压力水平的新的方法和系统，其可以由个体在工作场所的支持下自行管理，并且是客观的，能够区分不同的压力水平，以便能够早日识别新出现的问题。
本发明是为了解决这些需求而设计的。
技术实现要素：
一方面，本发明提供了一种评估受试者精神状态的计算机实现的方法，所述方法包括：
接收受试者的心跳记录作为输入，所述受试者的心跳记录包括在包含睡眠前阶段、具有睡眠起始时间和睡眠结束时间的睡眠阶段以及睡眠后阶段的时间跨度内获取的一系列心跳数据样本；
在心跳记录内至少识别睡眠起始时间和睡眠结束时间；
访问知识库，所述知识库包括通过对受试者的训练集进行专家评估而获取的数据，并实施精神状态与心率特征之间关系的计算模型；
利用知识库中的信息、应用所述计算模型来计算与受试者的精神状态相关联的至少一个度量，并根据所述度量生成精神状态的指征；以及
提供精神状态的指征作为输出。
本发明的实施方案可以包括专家系统，在专家系统中知识库包含通过机器学习方法生成的信息。例如，知识库可以包含测量出的组成训练集的多个受试者的心率数据，以及对训练集内每个受试者的专家评估结果。在这些实施方案中，知识库获取有关训练集内每个受试者的精神状态与测量出的心率特征之间关系的显著信息，以这样的形式从而可以使用相应的计算模型来预测对随后未看见的检测受试者的专家评估。
根据本发明的实施方案，所述精神状态的指征包括受试者所经受的压力水平的指征。例如，精神状态的指征可以在三个压力水平之间区分，如正常至轻度压力水平、中度压力水平和重度压力水平。
识别睡眠起始时间和结束时间可以涉及辅助输入数据的使用。例如，在某些实施方案中，输入的心跳记录可以伴随有使用活动监测器(如，加速度计)测量的受试者的活动记录。
在一些实施方案中，所述知识库可以包括模板心率特征，所述模板心率特征可以例如通过对训练集内的受试者的经尺度变换和归一化的心率特征进行平均而获取，其中，训练集内的受试者已被专家测评师评估为经受正常或低水平的压力。知识库可以进一步包括正常质心(centroid)值，所述正常质心值包括通过模板特征评估为正常的训练集内的受试者的心跳特征的平均距离的测度。所述知识库可以进一步包括一组分割点，所述分割点表示与模板特征的距离相对于正常质心的变化，并定义了不同精神状态指征之间的分类界限。例如，可以提供两个分割值以在三个不同的压力水平之间区分。
在替代实施方案中，可以对受试者的心率特征进行处理以计算多个相关的度量。在一些示例中，使用了四个度量：平均清醒心率；平均清醒心率和平均睡眠心率之间的比率；睡眠阶段前半段期间的心率的斜率；以及睡眠阶段后半段期间的心率的斜率。可以理解的是，通过将逐段线性心率特征模型拟合到接收的受试者的心跳记录，可以计算出这四个特定度量。
如上所述，利用多个度量的知识库可以包括与模板特征相对应的度量值的数组，所述模板特征基于专家评估为具有正常或低压力水平的受试者。所述知识库可以进一步包括正常质心值的数组和等价的模板特征度量，所述正常质心值与多个度量的每一个相对应，并通过对专家评估为具有正常或低压力水平的所有受试者的各个度量之间的差异的大小进行平均来计算。对接收的受试者的心跳记录计算的度量与相应的正常质心值之间的比较可以用来计算受试者的精神状态与“正常”精神状态之间的距离的测度。所述知识库可以进一步包括分割值的数组，所述分割值定义了与精神状态分类之间的界限相对应的距离测度。
在进一步的实施方案中，采用了基于k最近邻(k-NN)计算模型的精神状态分类。在这样的实施方案中，所述知识库可以包括(M+1)维向量的数组，其中，M是所使用的多个度量的数量，所述(M+1)维向量中每个向量都对应于训练集内的受试者，并包含每个计算的度量的值以及该受试者的相应的专家评估的值。所述知识库还包括最近邻参数K的数量的最优值。
在k-NN计算模型中，通过计算基于接收到的心跳记录的多个度量，并通过在由所述多个度量定义的M维空间内从训练集内确定接收到的心跳记录的K个最近邻，来对受试者的精神状态进行评估。然后，利用与K个最近邻相关的专家评估产生受试者精神状态的指征。在一些实施方案中，使用了“投票”系统，其中，所述受试者的精神状态的指征是根据与从训练集内识别的K个最近邻相关的最频繁出现的精神状态产生的。
在另一方面，本发明提供了一种评估受试者精神状态的计算机实现的系统，所述系统包括：
至少一个微处理器；
至少一个非易失性存储设备，所述非易失性存储设备包括包含通过对受试者的训练集进行专家评估而获取的数据的知识库，并实施精神状态与心率特征之间关系的计算模型；
至少一个计算机可读存储设备，所述计算机可读存储设备与所述微处理器可操作地相关联；以及
输入/输出接口，其与所述微处理器可操作地相关联，
其中，存储设备包含计算机可执行指令代码，当所述计算机可执行指令代码通过微处理器执行时，使得微处理器实现包括以下步骤的方法：
通过输入/输出接口接收受试者的心跳记录，所述受试者的心跳记录包括在包含睡眠前阶段、具有睡眠起始时间和睡眠结束时间的睡眠阶段以及睡眠后阶段的时间跨度内获取的一系列心跳数据样本；
在心跳记录内至少识别睡眠起始时间和睡眠结束时间；
利用知识库中的信息、应用所述计算模型来计算与受试者的精神状态相关联的至少一个度量，并根据所述度量生成精神状态的指征；
通过输入/输出接口提供受试者的精神状态的指征。
所述输入/输出接口可以是提供对广域网(如互联网)的访问的网络接口。
在本发明的一些实施方案中，所述受试者的心跳记录是通过在包括睡眠前阶段、睡眠阶段和睡眠后阶段的时间跨度期间，由受试者佩戴的心率监测设备获取的。心跳监测器可以包括无线接口(如蓝牙接口)，以用于与联网设备(如智能手机、平板电脑、笔记本电脑或台式计算机)进行通信。或者，或此外，心率监测设备可以包括有线接口(如USB接口)，以用于连接到联网设备。
可以提供应用程序以用于在联网设备上运行，以帮助受试者进行心跳记录的测量。帮助可以包括向受试者提供安装心率监测设备和将测量的心率数据从心率监测设备传输到联网设备的说明。
受试者的心跳记录可以通过广域网(例如互联网)从联网设备传输到精神状态评估系统。
本发明的进一步特性和益处将从以下实施方案的说明中明显可见，这些说明仅以示例的方式提供，并且不应被视为限制了前面任何陈述或本说明所附权利要求中所定义的本发明的范围。
附图说明
现在将参照附图对本发明的实施方案加以描述，在附图中类似的附图标记表示类似的特征，其中：
图1是示出了实施本发明的用于评估受试者精神状态的系统的示意图；
图2示出了实施本发明的示例性心率和活动记录的曲线图；
图3示出了实施本发明的评估精神状态的方法的流程图；
图4(a)至图4(c)是实施本发明的与三种可选计算模型相对应的流程图；
图5(a)至图5(c)是示出了与图4(a)至图4(c)的计算模型相对应的知识库内容的框图；
图6是示出了本发明实施方案的计算机实施方式的主要软件处理组件的框图；
图7(a)至图7(c)是与图4(a)至图4(c)的计算模型相对应的知识库构建方法的流程图；而图7(d)示出了实施本发明的计算化模型的示例性性能；以及
图8至图12示出了实施本发明的智能手机应用程序的示例性屏幕显示。
具体实施方式
图1是示出了实施本发明的联机系统100的框图。系统100采用广域通信网络102(通常是互联网)以用于系统不同组件之间的消息传递，每个组件通常包括一个或更多个计算设备。
系统100包括评估服务器104和处于远距离位置的评估受试者106。受试者106配备了心率监测器108，心率监测器108能够与一种或更多种便携式设备(如智能手机110)和/或一种或更多种台式设备(如个人计算机112)进行通信。优选地，心率监测器108和智能手机110之间的通信通过无线通信信道，如蓝牙。适用于心率监测器108和设备110、112之间传输数据的其他类型的通信信道包括Wi-Fi、有线以太网和其他形式的有线连接，如USB。
在一些实施方案中，如本文所述的那些实施方案，心率监测器108收集的心率数据被传输到另一个用户设备，如智能手机110或台式PC 112，然后被传输到评估服务器104。但是，在本发明的其他实施方案中，智能心率监测器108可以包括网络接口，如Wi-Fi接口，从而使得智能心率监测器108能够通过互联网102连接到评估服务器104并向评估服务器104直接传输数据。在更进一步的实施方案中，可以例如通过可在受试者PC 112上安装的软件而在评估受试者106的位置提供评估服务器104的功能。因此，应理解的是，虽然系统100的网络体系结构目前被认为是有利的，但并不是可以实现本发明的唯一方式。
现在来看评估服务器104，其通常可以包括一台或更多台计算机，每台计算机包括至少一个微处理器114。计算机和处理器114的数量通常取决于系统所需的处理能力，而系统所需的处理能力又取决于预期工作量，即，能够访问服务器104的评估受试者106的数量，以及需要处理的数据量。在某些实施方案中，可以为服务器104采用第三方云计算平台，从而使物理硬件资源能够根据需求动态地分配和更改。然而，为了简化说明书的其余部分，假定示例性评估服务器104包括具有单个微处理器114的单个计算机。
微处理器114与非易失性存储器/存储设备116连接或可操作地相关联。非易失性存储器116可以是硬盘驱动器，并且/或者可以包括固态非易失性存储器，如只读存储器(ROM)、闪存等。微处理器114也连接至易失性存储器118(如随机存取存储器(RAM))，易失性存储器118包含与服务器104的运行有关的程序指令和瞬态数据。在常规配置中，存储设备116可以包含评估服务器104的预期功能所需的操作系统程序和数据以及其他可执行应用程序软件。在所示实施方案中，存储设备116还包含程序指令，当通过处理器114执行时，所述程序指令使得评估服务器104能够执行与实施精神状态评估方法(更具体地，实施本发明的评估受试者106的压力水平的方法)有关的操作。在操作中，存储设备116上保存的指令和数据被传输到易失性存储器118上，以便根据需要来执行。
微处理器114也以常规的方式与网络接口120可操作地关联。网络接口120有利于访问一个或更多个数据通信网络，如用于服务器104和受试者设备(例如，110、112)之间的通信的互联网102。
在使用中，易失性存储器118包括程序指令的相应主体122，其配置为执行实施本发明的特征的处理和操作(包括参照图3至图7所示的流程图、数据结构和软件架构，下文所述过程中的各个步骤)。
此外，在当前描述的实施方案中，程序指令122包括实现与一个或更多个客户端应用程序(如在受试者智能手机110上执行的应用程序)进行通信的指令。这些通信操作使得利用心率监测器108记录的受试者106的心跳记录能够被评估服务器104接收以用于处理。
程序指令122可以进一步包括实施网络服务器应用程序的指令。然后，储存在非易失性存储器116和易失性存储器118中的数据可以包括用于在受试者设备上显示和/或执行的基于网络的代码(例如，HTML或JavaScript)，从而方便了到评估服务器的基于网络的接口。例如，基于网络的接口可以使心跳记录数据能够从任何设备(包括智能手机110或台式PC 112)上传到评估服务器104。网络接口还可以使受试者106能够通过设备110和/或设备112访问评估服务器104所储存和处理的受试者106自己的数据。
系统100还包括知识库124，知识库124包含通过机器学习方法产生的信息，其中，使用了通过对受试者的一个或更多个训练集进行专家评估所获得的数据，并实施了精神状态(即，受试者压力水平)与心率特征之间关系的计算模型。
在本发明的不同实施方案中可以使用各种机器学习方法，包括：决策树学习；关联规则学习；人工神经网络；归纳逻辑编程；支持向量机；聚类分析；贝叶斯网络；强化学习；表征学习；相似性学习；稀疏字典学习和/或遗传算法。
此处描述的实施方案，特别是参照图4至图7的实施方案，采用了包括度量学习和聚类在内的技术。然而，这些方法应仅被视为说明性的，而不将其他学习技术和计算模型的使用排除在本发明的范围之外。
知识库124可以包含在非易失性存储器116中，也可以存储在单独的存储设备中，该单独的存储设备可以直接连接到评估服务器104，也可以远程放置。具体地，由于知识库124最终可能会包含非常大量的训练和历史受试者数据，将知识库124储存在大型数据中心和/或一个或更多个分布式数据库(例如，储存在云存储服务中)可能是有利的。只要评估服务器104能够访问下文所述的所需数据以用于处理，知识库124的确切形式和位置就不是关键的。
现在来看图2(a)，图中显示了受试者106的示例性心跳记录的曲线图200。时间显示在横轴202上，每分钟平均的心率(以每分钟次数为单位)显示在纵轴204上。因此，曲线图200所示的受试者的心跳记录包括在横轴202上显示的总时间跨度内以每分钟一次的速度获得和记录的一系列心跳数据样本。在该具体示例中，所述记录覆盖了完整的24小时时间段，但本发明的实施方案可能仅需要完整记录206的一部分，包括睡眠前阶段208、睡眠阶段209和睡眠后阶段210。
在一些实施方案中，可以自动识别睡眠前阶段208、睡眠阶段209和睡眠后阶段210。一种自动识别睡眠阶段209的技术是通过使用活动监测器(如可以并入心率监测器108或并入被受试者106穿戴的另一种可穿戴设备中的加速度计)而实现的。图2(b)显示了使用这种活动监测器获得的、并与图2(a)的心跳记录相对应的受试者活动性的曲线图212。横轴214表示时间，纵轴216为根据活动监测器在记录阶段的每一分钟期间检测到的活动性水平来计算的活动性指数。活动记录的描绘218显示了三个非常不同的阶段，即，具有相对较高活动性的第一清醒阶段220、很少活动或没有活动的睡眠阶段221和具有高活动性的第二清醒阶段222。
高活动性阶段220、222和低活动性阶段221之间的极明显转变，使得能够相对简单和准确地提取将睡眠前阶段208、睡眠阶段209和睡眠后阶段210分隔开的睡眠起始时间224和睡眠结束时间226。
虽然活动性水平提供了一种识别睡眠起始时间224和睡眠结束时间226的机制，但其他方法也可用于替代实施方案。例如，从曲线图200中也可以明显看出，睡眠阶段209符合心率的总体下降。因此，可以采用对心跳记录206的适当处理，以帮助识别睡眠开始时间224和睡眠结束时间226。此外，或可选地，受试者106可以提供对睡眠时间和清醒时间的估计，以帮助检测睡眠开始时间224和睡眠结束时间226。因此，应理解的是，在本发明的不同实施方案中，可以使用以足够的准确性和可靠性识别这些转换时间的各种技术。
图3是显示了根据本发明的实施方案的一种评估精神状态(即，受试者106的压力水平)的方法的流程图300。首先，在步骤302，接收受试者的心跳记录作为输入。在初始处理304中，识别具有睡眠开始时间224和睡眠结束时间226的睡眠阶段209。
然后，评估方法300进一步分析心跳记录，以便对受试者的压力水平进行评估，其中，评估方法300可以通过评估服务器104的处理器114执行的合适的程序指令来实现。为此，访问知识库中的信息(306)。下文将参照图5(a)至图5(c)说明知识库的示例性内容，同时参照图7(a)至图7(c)说明构建知识库的相应示例性训练方法。为了这个目的，只需指出，在知识库中访问的信息是基于对受试者的训练集的专家评估，并构建为使评估服务器104能够根据知识库内容来判断受试者106的精神状态。一般来说，这涉及过程308，即计算与受试者106的精神状态相关的一个或更多个度量，并生成基于那些度量的精神状态的指征。
在步骤310，输出了作为结果的精神状态的指征，即，压力水平的指征。输出结果可以存储在非易失性存储器116内的受试者记录中，也可以存储在知识库124中，或者存储在某些其他数据库中。或者，或此外，作为结果的指征可以例如通过网络接口或通过应用程序接口、利用在受试者设备(如智能手机110或台式PC112)上执行的软件来提交给受试者。
图4(a)至图4(c)是与实施本发明的三种可选的计算模型相对应的流程图。图5(a)至图5(c)是示出了这些模型中的每一个的知识库的相应内容的框图。
根据第一模型(这里称为“模板模型”)，计算度量和生成受试者压力水平指征的过程由流程图400以及知识库内容500示出。更具体地，知识库124包含内容500，内容500包括“正常模板”502。正常模板502是与没有压力的，或者只是感到轻度压力的受试者相对应的典型记录。下面将参照图7(a)更详细地说明获得正常模板502的方法。知识库内容500还包含称为“正常质心”的值504。正常质心504是表示正常模板502与训练集内的单个受试者之间的典型差异的数字，所述训练集内的单个受试者被专家测评师诊断为没有压力或只是感到轻度压力。回到图4(a)，在步骤402，为评估受试者106计算出包括受试者心跳记录与正常模板502之间的差异量数的度量。在步骤404，通过比较在402计算出的度量与正常质心504来进行分类。利用这一差异的大小将受试者106分为以下情况之一：正常至感到轻度压力；感到中度压力；或感到重度压力。这一分类是通过将差异的大小与知识库124的内容500中的一组分割值506进行比较而进行的。
流程图406和相应的知识库内容508示出了第二计算模型，称为“多参数/距离模型”。这里描述的多参数模型采用了由受试者106的输入心率记录计算出的四个度量。这四个度量是：
·平均清醒心率，即睡眠前阶段208和睡眠后阶段210期间的平均心率；
·心率比率，其计算为平均清醒心率与睡眠阶段209期间的平均心率之间的比率；
·第一斜率度量，其为睡眠阶段209的前半段期间受试者心率的斜率的测量(即，根据时间的变化)；以及
·第二斜率度量，其为睡眠阶段209的后半段内心率的斜率的测量。
可以理解的是，这四个参数完全定义了患者心跳记录的逐段线性表示，该逐段线性表示具有恒定的清醒心率值和根据睡眠阶段209的前半段期间的第一斜率度量和睡眠阶段209的后半段期间的第二斜率度量而变化的睡眠心率值。发明者发现了心跳记录的这种特殊参数化，从而在对训练集内的受试者的专家评估的辅助下，为机器学习和压力水平预测提供了有效的基础。
因此，在步骤408、410、412和414计算了上述四个度量。知识库124的内容508包括数组510，数组510包含对应于正常模板的四个度量的值，即，在训练集内从正常到感到轻度压力的受试者的平均值。知识库内容508进一步包括每个度量的相应正常质心值的数组512，即，数组510中的平均值与训练集内所有实际个体受试者的典型差异。在步骤416，将在步骤408到步骤414由受试者106的心跳记录计算出的指征度量与相应的正常质心值512进行比较。将这些差异的大小结合起来计算单个“距离”值，然后将该单个“距离”值与知识库内容508中的一组分割值514进行比较。这些分割值将受试者106的状态分为正常到感到轻度压力、感到中度压力，或感到重度压力。
流程图418显示了根据第三计算模型对受试者106的压力水平进行分类的方法。这一方法也是基于分别在步骤420、步骤422、步骤424和步骤426计算的上述四个度量。在步骤428，根据k最近邻(k-NN)计算模型进行分类。因此，该模型被称为“多参数/k-NN模型”。
图5(c)示出了多参数/k-NN模型的知识库124的内容516。内容516包括(M+2)维数组518。对于训练集内每个受试者，数组518包括(M+1)维向量，其中M是多参数模型中的度量的数量，即在当前示例中M＝4。对于单个训练集受试者，每个向量都包括M个度量的计算值，以及专家测评师确定的相应评估等级。度量的值可以被视为定义了M维度量空间中的点，而专家评级则提供了与该点相关的值。
知识库内容516还包括值520，值520是定义了最优值K的整数。过程418中的分类步骤428包括找到从数组518到在步骤420至步骤426中计算的四个度量所定义的度量空间中的点的K个最近邻。使用与这些K个最近邻相关的专家评级的值来对受试者106的压力水平进行分类。在一个实施方案中，采用了多数投票算法，通过该算法、根据K个最近邻的最频繁专家评级对受试者的压力水平进行分类。因此，k-NN算法基于M维度量空间内存在的类似的专家评估的聚类而有效运作。
现在来看图6，图6示出了实施本发明的计算机实施方式的主要软件处理组件的框图600。睡眠检测模块604对输入的心跳记录数据602进行处理，以识别睡眠起始时间和睡眠结束时间。可选地，记录由尺度变换模块606进一步处理。尺度变换模块处理输入数据602，以获得经尺度变换的记录，其中心率值在零和一之间归一化，时间调整为标准刻度(例如，零到1,000个时间单位)。在上述详细描述的实施方案中，模板模型只需要尺度变换，其中，确保与正常模板502进行比较的所有心跳记录中的相似性具有重要意义。对于上述多参数模型，不需要进行尺度变换，尽管尺度变换可以用于根据本发明的替代实施方案来计算其他度量。
度量计算模块608计算与本发明实施方案中使用的特定计算模型相关联的相关度量(或相关的多个度量)。例如，在模板模型中，度量计算模块608计算表示受试者106的心跳记录与正常模板502之间的差异的值。在多参数模型中，度量计算模块608参照图4(b)计算了上述四个度量。
在某些实施方案中，为了计算度量(或多个度量)，度量计算模块608访问知识库124。例如，在模板模型中，度量计算模块608从知识库124中检索正常模板502。
决策模块610根据与特定计算模型相关的规则对受试者106的压力水平进行分类。例如，在模板模型和多参数/距离模型中，决策模块610通过比较计算出的距离度量和分割值506、514对受试者106的压力水平进行分类。
在多参数/k-NN模型中，决策模块610根据K个最近邻的最频繁的专家评估等级对受试者106的压力水平进行分类。
通常，决策单元610需要访问知识库124，以便检索决策标准。输出的压力水平指征612是由决策模块610产生的。
图7(a)示出了与根据模板模型的构建知识库的算法相对应的流程图700。对于该算法，以及对于下面参照图7(b)和图7(c)讨论的其他两种算法，先决条件是知识库124包括训练记录的数据集。每项训练记录都包括检测受试者的心跳记录，以及由专家(如受过训练的执业医师)进行的相关诊断/评估。评估可以根据专家对检测受试者心率记录的审查来进行，也可以通过其他诊断手段(如每个检测受试者与专家测评师之间的访谈)来获取。正是这些与训练集内的数据相关联的实际评估提供了知识库中的主要专业知识。这些信息然后被用来建立实施该专业知识的计算模型，然后可以利用这些计算模型、根据受试者的输入的心跳记录来预测随后未看见的受试者106的精神状态(即，压力水平)。
回到模板模型训练算法700，在步骤702，从知识库124中检索出与“正常到轻度”压力水平的评估相关的所有检测受试者数据。每个记录都包含一系列心跳数据样本，如图2(a)的曲线图所示。就像已经描述的那样，在步骤708，对检索到的正常数据记录进行尺度变换，从而使心率在零和一之间归一化，睡眠阶段持续时间归一化到共同的时间尺度。
在步骤706，计算所有检索到的并且经尺度变换的检测受试者记录的平均值。这是逐样本平均过程，从而产生了单个典型的心跳记录(称为“正常模板”)。
在步骤708，对于每一个检索到的正常检测受试者记录，都计算出与正常模板的距离的测度。可以使用任何适当的距离测度，在示例性实施方案中使用了最小二乘法距离测度。
在步骤710，计算所有距离测度的平均值。这个平均值被称为“正常质心”。
模板模型假设，可以使用单个距离测度(更具体地，正常质心和受试者106随后的心跳记录的等价距离测度之间的差异)对受试者的压力水平进行分类。相应地，需要一组分割值来定义正常到轻度压力水平、中度压力水平和重度压力水平之间的界限。对于这种三级分类，需要两个分割值，并在步骤712中计算这两个分割值。
本发明的发明者发现，所提出的不同压力水平分类之间并不存在明显的界限，并且存在着某种“混杂”现象。然而，一般而言，已发现，为特定受试者106计算出的距离测度与正常质心之间的距离越大，该受试者就可能承受越大的压力。因此，必须使用适当的统计技术来定义形成压力水平之间界限的分割值。在一些实施方案中，为此使用了高斯混合模型(GMM)。
图7(b)中的流程图714示出了多参数/距离模型的知识库构建算法。与模板模型算法700一样，算法714首先在步骤716从训练集内检索正常到轻度受试者的所有记录。在步骤718对所有检索出的记录计算这四个度量，并计算计算出的度量相应的平均值。
在步骤720，对于每一个检索到的正常至轻度数据记录，都计算出单个度量与相应平均值之间的距离测度。然后，在步骤722，对所有这些单个距离测度进行平均以产生四个“正常质心”的向量，四个“正常质心”对应于四个度量中的每一个。
在多参数/距离模型中，计算为受试者106的心跳记录计算出的单个度量值与相应的正常质心值之间的差异，并将该差异合并以形成单个距离测度。这个距离测度可以是单个差异大小的简单和、加权和、欧几里得距离，或者任何其他合适的距离测度。在将差异数据减少到单个距离测度之后，就像对模板模型一样，就可以确定定义压力水平之间界限的一组分割值。该分割值的确定在步骤724执行。同样，一种实用的方法是采用高斯混合模型，该高斯混合模型使用训练数据集内的所有数据，即，计算与训练集内所有感到中度和重度压力的受试者以及具有正常至轻度压力水平的受试者相关的距离测度。
图7(c)中的流程图726示出了多参数/k-NN模型的知识库构建算法。算法726首先在步骤728将训练集划分为训练分区和测试分区。例如，训练集内的受试者记录的90％可用于训练，10％可用于对照已知的专家评估来测试训练的有效性。由此产生的计算模型的有效性可以取决于训练分区和测试分区的大小，以及构成每个分区的检测受试者记录的特定组成。因此，可以采用不同的技术来划分训练集，包括为训练分区和测试分区随机选择成员，和/或选择特定的记录作为训练和/或测试分区的成员。如下文进一步说明的，算法726可以采用对训练集进行重新划分，以优化计算模型的有效性。
在步骤730，选择K的初始值(即，选择k-NN计算中使用的最近邻的数量)。可以选择任何正整数，但是设置K＝1通常不会产生效果。这是因为，当K＝1时，训练分区中的每项记录都只确定自己对精神状态的预测评估，因此就可以保证对精神状态的预测评估是正确的。因此，训练分区将获得完美的结果，而不会对未看见的数据(如测试分区中的记录)的预测质量提供任何控制。
在用于评估基于训练分区和测试分区的结果的示例性实施方案中使用的质量测度是灵敏度和特异度。灵敏度定义为某一特定等级的正确分类所占的比例，例如，经专家评估为感到中度压力的所有受试者中，经计算模型正确识别为感到中度压力的受试者所占的比例。特异度定义为专家评估为不属于某一特定分类(例如，感到中度压力)的所有受试者中，经计算模型错误地分类到那个特定分类中的受试者所占的比例。
因此，在步骤732，对训练分区内的所有记录按当前的K值计算了灵敏度和特异度。应该注意的是，虽然与训练分区中的记录相关的所有实际精神状态都被假定为已知，但该集合的某一特定成员可能会被其最近邻“以多数票击败(outvoted)”。因此，计算训练分区的灵敏度和特异度的结果(具体地将灵敏度降低到100％以下)是训练分区的选定成员在度量空间的不同区域内聚集程度的测度。特别令人感兴趣的是“异常值”，即，具有对精神状态的相关评估的单个数据点，其中对精神状态的相关评估与度量空间的相关容量内的所有或大多数最近邻都不同。
在步骤734，计算测试分区的灵敏度和特异度。假设不知道与测试分区中记录相关的精神状态，并根据K最近邻分类规则对该精神状态进行预测。然后将预测与实际的专家评估进行比较，从而获得测试分区的灵敏度和特异度。
在736，决定是否重复步骤732和步骤734来计算对进一步的不同K值的灵敏度和特异度。如果需要重复步骤732和步骤734，则在步骤738中更新K值，并重复步骤732和步骤734。例如，该过程可以扫过一系列K值，或者可以使用最大化过程来调整K值以收敛到使计算模型所作的预测的质量测度最大的值。
具体地，质量的一个测度是所有精神状态分类(例如，正常至轻度压力、中度压力及重度压力)的灵敏度和特异度的平均值。通过使在训练分区和测试分区中这样的测度最大，可以选择K值，使得在相应的意义上，对于未来的未看见的数据记录，该K值的模型的预测是最优的。因此，在步骤740，K值以这种方式进行选择。结果是包括所选择的训练分区以及所选择的K值的模型，该K值用于k-NN算法以用于预测与未看见的心跳记录相关的精神状态。
关于k-NN算法的进一步观察是，对于给定的模型质量(例如用上述方法测量的模型质量)，相比于较小的K值，更大的K值通常对应于更稳定和准确的模型。这是因为更大的K值对应于更大的最近邻(其用于确定未看见的记录的预测分类)的数量。另一方面，当K值过大时，不会得到良好质量的模型，因为这会显著降低特异度。
但是，总体而言，为了识别平均产生高灵敏度/高特异度以及相对较大的K值的训练分区，可能需要在训练集的若干不同分区下运行该算法。因此，在步骤742，如果认为K值太小，可以在步骤744重新划分训练集，并通过重复步骤730至步骤740，使用新的分区对K进行新的优化。在步骤744的重新划分可以是随机的，也可以是确定性的。例如，确定性的重新划分可以涉及识别训练集内的异常值，并有选择地将异常值移除或移动到测试分区。此外，还可以采用确定性分区和随机分区相结合的方法。例如，训练集可以首先被划分为与精神状态(即，正常到轻度压力，中度压力和重度压力)中的每一个相对应的记录，然后将这些子集的每一个按相等比例随机划分为训练分区和测试分区，以确保所有压力水平在两个分区中都成比例地表现。此外，可以使用适当的优化技术，以便在重新划分时创建改进的训练分区。例如，可以在生成连续的分区时使用模拟退火或其他一些近似优化技术，以使在现有训练集上的分类质量最高。
一旦选定了最终的训练分区和K值，在步骤748将利用这些值对知识库进行更新。例如，图7(d)显示了在特定训练集上执行算法726所产生的示例性的灵敏度值和特异度值的条形图。在这种情况下，整个训练集内90％的记录都包含在训练分区中，而其余10％包含在测试分区中。对所有三种压力分类都采用这一相同比例。在本例中，K＝6，而异常值分布在训练分区和测试分区中。因此，在训练分区和测试分区内，所有三个分类都实现了一致的高的平均灵敏度和特异度。
左边的条形图750显示了训练分区的灵敏度和特异度，其中纵轴752表示百分比。条形图显示了对于正常至轻度压力的灵敏度754和特异度756，对于中度压力的灵敏度758和特异度760，以及对于重度压力的灵敏度762和特异度764。右边的条形图766显示了测试分区的结果，纵轴768也是百分比。该条形图显示了对于正常至轻度压力的灵敏度770和特异度772，对于中度压力的灵敏度774和特异度776，以及对于重度压力的灵敏度778和特异度780。
值得注意的是，在这两个条形图750、766中，取得的最高数值是两个分区中重度压力评估的特异度764、780。这意味着计算模型极少将重度情况进行错误分类。因此，计算模型更有可能将正常至轻度压力错误地分类为中度压力，反之亦然。根据这些结果，可以合理地假定，在压力较大的受试者中，错误分类的可能性较小。当计算模型被用于自我评估并且/或者结合保健专业人员的评估和治疗时，这是计算模型所期望的属性。也就是说，该模型可以用来使个人能够监测和管理自己的压力水平，并且/或者用来鼓励他们在压力水平长期过高时寻求专业的帮助和支持。
考虑到这一点，期望通过例如图1所示的系统100使个人可获得压力评估。评估服务器104实现了如上面所述的计算模型。评估受试者106可以通过运行合适应用程序的智能手机110，并且/或者通过智能手机110或PC 112上的网络接口访问评估服务器104。使用智能手机110的访问可能是有利的，因为可以开发出这样的智能手机APP：其能够与心率监测设备进行通信，在测量期间收集数据，并将所产生的心跳数据记录传输到评估服务器104。
因此，图8示出了实施本发明的合适的智能手机应用程序的示例性屏幕显示。显示800提供了应用程序介绍，并提供触摸屏按钮802、804，以便使用户能够在评估服务器104上注册(即，“开始使用新配置文件”)，或登录评估服务器104(即，“使用现有配置文件登录”)。
图9显示了另一个示例性智能手机应用程序显示900，其包含针对用户106安装心率监测设备108的说明902。如果用户没有合适的心率监测设备，则提供触摸屏按钮904，使得能够(例如，通过由评估服务器104或连接到互联网102的另一台电子商务服务器(图中未显示)执行的订单(未显示))来订购心率监测设备。
图10显示了智能手机应用程序的另一个示例性显示1000，显示1000包括心率监测设备108已经成功地连接(例如，通过蓝牙或其他无线连接)的指示1002，以及监测设备所测量的当前心率的表示1004。一旦建立了到心率监测设备108的连接，用户就可以触摸按钮1006以开始测量心跳记录，包括在包含睡眠阶段的时间跨度内获取的一系列的心跳数据样本。该时间跨度可以包括完整的24小时，也可以包括较短的时间段(其包含足够的睡眠前阶段和睡眠后阶段，以便如上面所描述的算法所要求的那样，能够识别睡眠的起始和结束，并分析清醒心率数据)。
图11显示了在测量过程中可以向用户106提供的另一个示例性应用程序显示1100。显示的上方区域1102提供了关键数据的总结，包括当前心率、当前测量过程中的最低和最高心率以及平均心率。显示的中心区域1104显示了当前测量的整个过程中每分钟平均心率的曲线图。在面板1106中显示了剩余的测量时间。最后，在显示的下方区域1108中提供了附加的触摸屏控件，从而使用户106能够添加注释，并暂停或停止测量。
图12显示了在测量完成后可以向用户106提供的显示1200，以及由评估服务器104对结果进行的分析。显示1200包括在测量期间的压力水平的指示1202，以及对结果和这一压力水平对受试者106可能产生的影响的简明语言解释。最后，该应用程序提供了显示的选项卡式的区域1206，从而使用户106能够轻松访问可能有助于管理其压力水平的各种资源。
总之，本发明的实施方案提供了能够通过简单并且无创的心跳测量对精神状态(具体地，个体受试者所经受的压力水平)进行测量、监测和评估的方法和系统。可以提供在线服务，从而使个人能够在家里并且同时在进行日常活动时进行测量。评估是使用计算模型(例如，在可以通过互联网访问的服务器上执行的计算模型)，利用包括专家评估信息的知识库来自动生成的。
根据本发明实施方案提供的服务和应用可以向受试者个人提供，或向受试者的雇主提供以监测雇员的心理健康。具体地，个人和/或雇员能够检查其压力水平，并能够收到关于处于过度或广泛压力风险中的早期警告。此外，评估服务器104(例如，通过智能手机应用程序或网络接口)可以用来作为根据个人评估的压力水平向其提供教育材料和进一步支持的渠道。支持可以包括建议拜访全科执业医生或其他健康专业人士。评估服务器104可以保存历史记录，并通过互联网提供这些记录，以便个人能够对压力水平进行持续监测，并检查其进展情况。
本发明实施方案的潜在好处包括：对与特定工作分类和工作类型相关的压力水平的分析的改进，由于减少了缺勤和假性出席而提高了生产率，以及减少了对保健系统的理赔和压力。因此，个人、雇主和社会都可以获得许多益处。
虽然仅以示例的方式描述了特定实施方案，但相关领域的技术人员将认识到，在本发明的范围内可以有若干变化。因此，不应将示例性实施方案视为限制性的，而应将本发明视为如所附权利要求中定义的。